CN113433906A - 一种蒸馏装置产物预测及蒸馏操作参数优化的方法 - Google Patents
一种蒸馏装置产物预测及蒸馏操作参数优化的方法 Download PDFInfo
- Publication number
- CN113433906A CN113433906A CN202110704873.0A CN202110704873A CN113433906A CN 113433906 A CN113433906 A CN 113433906A CN 202110704873 A CN202110704873 A CN 202110704873A CN 113433906 A CN113433906 A CN 113433906A
- Authority
- CN
- China
- Prior art keywords
- product
- value
- parameter
- physical property
- distillation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000004821 distillation Methods 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000005457 optimization Methods 0.000 title claims abstract description 10
- 230000000704 physical effect Effects 0.000 claims abstract description 46
- 239000002994 raw material Substances 0.000 claims abstract description 31
- 230000007246 mechanism Effects 0.000 claims abstract description 20
- 238000001514 detection method Methods 0.000 claims abstract description 18
- 238000004364 calculation method Methods 0.000 claims abstract description 17
- 238000004519 manufacturing process Methods 0.000 claims abstract description 15
- 239000012071 phase Substances 0.000 claims description 21
- 239000000463 material Substances 0.000 claims description 11
- 230000000694 effects Effects 0.000 claims description 6
- 239000007791 liquid phase Substances 0.000 claims description 6
- 239000007788 liquid Substances 0.000 claims description 5
- 230000003993 interaction Effects 0.000 claims description 4
- 230000006872 improvement Effects 0.000 claims description 2
- 239000000126 substance Substances 0.000 description 7
- 238000010586 diagram Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000001311 chemical methods and process Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 239000007858 starting material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32252—Scheduling production, machining, job shop
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Vaporization, Distillation, Condensation, Sublimation, And Cold Traps (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种蒸馏装置产物预测及蒸馏操作参数优化的方法,其包括以下步骤:收集原料信息及产物需求;根据原料类型,构建蒸馏机理模型;预设物性参数、操作参数;根据操作参数P稳态操作,获取产物检测值,根据机理模型获取产物预测计算值;以产物检测值与产物预测计算值偏差最小为目标函数,优化物性参数;根据优化物性参数,以最小操作成本为目标函数,优化操作参数;将本轮优化的物性参数值与上一轮比较,若改进值小于ε,则输出优化后的操作参数及物性参数值,否则继续迭代优化。该方法既能通过产物检测值修正物性参数的准确性,提升产物预测值的精度,又可通过优化操作参数,适应不同的产物需求,降低生产操作成本,提升生产效率。
Description
技术领域
本发明属于化工过程生产领域,具体涉及一种蒸馏装产物预测及蒸馏操作参数优化的方法。
背景技术
在蒸馏装置生产过程中一方面受工艺现场条件限制,只有温度、压力等少量参数可做到在线实时检测,对于气液相产物组成等关键数据只能进行离线检测,不能及时反映产物组成信息,另一方面由于产品需求的变更,需对装置操作参数(温度、压力、进料量等)进行整体优化配置,使总生产运行成本最低。
本发明综合考虑上述问题,构建了用于产物预测及操作参数优化的数学模型,一方面使用离线检测数据修正数学模型中的物性参数,提升预测的准确性,另一方面可根据产物需求,快速优化操作参数,降低生产运行成本。
发明内容
针对上述问题,本发明提供一种蒸馏装置产物预测及蒸馏操作参数优化的方法,通过收集原料信息及产物需求;根据原料类型,构建蒸馏机理模型;预设物性参数、操作参数;更新(或者初始化)操作参数及物性参数;根据操作参数P稳态操作,获取产物检测值,根据蒸馏机理模型及物性参数,获取产物预测计算值;以产物检测值与产物预测计算值偏差最小为目标函数,优化物性参数,输出优化物性参数;根据优化物性参数,以产物需求值为约束,以最小操作成本为目标函数,优化操作参数,输出优化操作参数;将本轮优化的物性参数值与上一轮物性参数值比较,如果改进值小于ε,则输出优化后的操作参数及物性参数值,如果改进值大于ε,则继续迭代优化直至优化物性参数与上一轮迭代结果比较改进值小于ε。该方法既能够提升蒸馏装置产物预测的准确性,又能够根据产物需求降低生产运行成本。
为了实现上述目的,本发明具体采用如下技术方案:
一种蒸馏装置产物预测及蒸馏操作参数优化的方法,包括以下步骤:
第一步,收集原料信息及产物需求,所述原料信息选自原料类型、原料温度、原料压力、原料组成、原料相态、可供给的原料最大流量值及最小流量值的一种或几种,所述产物需求包括产物温度、产物压力、产物流量、产物组成、产物相态信息的一种或几种;优选的,所述原料信息包括原料种类、温度、压力、组成、可供给的最大流量值,所述产物需求包括产物温度、压力、流量、组成信息。
第二步,根据原料类型,构建蒸馏机理模型;优选的,所述机理模型包括:物料守恒方程、相平衡方程,其中用于相平衡方程计算的活度系数γ由Non-Random Two liquid(NRTL)模型计算。
第三步,预设物性参数X0,预设操作参数P0;所述操作参数包括操作温度、操作压力、原料的流量值的一种或几种;
第四步,更新或初始化操作参数P和物性参数X;更新时,固定操作参数P=P',固定物性参数X=X',首次计算时,固定操作参数P=P0,固定物性参数X=X0;
第五步,根据操作参数P稳态操作蒸馏装置,获取产物检测值M,根据所述的蒸馏机理模型及物性参数X,获取产物预测计算值S;所述产物检测值包括产物温度、产物压力、产物流量、产物组成中的一种或几种,所述产物预测计算值包括产物温度、产物压力、产物流量、产物组成中的一种或几种;优选的,所述产物检测值为产物组成,所述产物预测计算值为产物组成。
第六步,根据所述的蒸馏机理模型,以产物检测值与产物预测计算值偏差最小为第一目标函数,优化物性参数,输出优化后的物性参数X';
第七步,根据所述的蒸馏机理模型,输入优化物性参数X',并以产物需求为约束,以最小生产操作成本为第二目标函数,优化操作参数,输出优化后的操作参数P';
第八步,将物性参数值X与优化物性参数X'比较,如果改进值小于等于ε,则输出优化后的操作参数值及优化后的物性参数值,如果改进值大于ε,则返回第四步,重复执行第四到第八步,直至改进值小于ε。
作为本发明的优选,第七步中所述的第二目标函数为操作参数P的函数,即TAC=f(P)。
作为本发明的优选,第八步所述的改进值为(X-X′)2。
作为本发明的优选,所述的蒸馏机理模型包括物料守恒方程和相平衡方程;
所述的物料守恒方程表示为:
所述的相平衡方程表示为:
yg,m=KmXl,m
式中,xl,m表示液相产物组成,yg,m表示气相产物组成,m表示原料中组分,Km表示气液平衡常数,p为蒸馏装置操作压力,γm是组分m的活度系数,由NRTL方程计算得到。
作为本发明的优选,所述的物性参数选自Antoine方程参数、二元交互参数、基团贡献参数的一种或几种。
与现有技术相比,本发明的优势在于:
本发明提供的方法一方面可通过产物检测值修正物性参数提升产物预测值,提升产物预测值的精度,从而实现对生产过程的实时高精度预测,另一方面可通过对操作参数的优化,适应不同的产物需求,缩短调试时间,降低生产操作成本,提升生产效率。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图做简单地介绍,显而易见,下面简述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的流程图。
图1表示本发明的实施例的装置示意图。
图2表示本实施例中优化后的装置示意图(标记了优化后的参数)。
在图中,相同的构件由相同的附图标记标示,附图并未按照实际的比例绘制。
图3表示本发明的方法流程示意图。
具体实施方式
下面结合附图说明具体实施方式。
以图1为例,某蒸馏装置用于分离i,j两种物质,其主要产品为富含物质i的气相产物。本蒸馏装置有三种不同的原料来源,相关符号可参见下表:
接下来,应用本发明提供的方法进行蒸馏装置产物预测及蒸馏操作参数优化,如图3所示:
第一步,收集原料信息及产物需求;
在本实施例中原料信息及产物需求可参见下表:
第二步,根据原料类型,构建蒸馏机理模型;
本实施例中所述蒸馏机理模型包括:物料守恒方程、相平衡方程。其中用于相平衡方程计算的活度系数γ由Non-Random Two liquid(NRTL)模型计算。
物料守恒方程:
式中,xl,m表示液相产物组成,yg,m表示气相产物组成,m表示原料中的组分,本实施例中m=i,j。
相平衡方程:
yg,m=KmXl,m
式中,气液平衡常数Km由下式计算:
式中,Am、Bm、Cm为安托因参数,无实际物理意义;t为操作温度。
在本实施例中双组分体系(m=i,j),活度系数γ由NRTL方程计算:
Gij=exp(-αijτij)
Gji=exp(-aijτji)
αij=cij+dijt
式中,aij、aji、bij、bji、cij、dij为物质i,j的二元交互参数,αij、τij、τji、Gij、Gji为中间变量,无实际物理意义;
第三步,预设操作参数P0,预设物性参数X0;
在本实施例中预设物性参数X0,包括Antoine方程参数和二元交互参数,具体数值可参
见下表:
Antoine方程参数 | A<sub>m</sub> | B<sub>m</sub> | C<sub>m</sub> |
物质i(m=i) | 16.3872 | 3885.70 | 230.170 |
物质j(m=j) | 16.8958 | 3795.17 | 230.918 |
在本实施例中预设操作参数可参见下表:
第四步,固定操作参数P=P',首次计算时P=P0,固定物性参数X=X',首次计算时X=X0。
第五步,根据操作参数P稳态操作,获取产物检测值M,根据机理模型及物性参数X,获取产物预测计算值S。
本实施例中所述产物检测值为实际检测得到的产物组成,所述产物预测计算值为预测得到的产物组成。
第七步,在所构建的蒸馏机理模型基础上,输入优化物性参数X',以产物需求值为约束,以最小生产操作成本TAC为目标函数,优化操作参数,输出优化操作参数P'所述目标函数为min TAC,式中TAC为操作参数P的函数,即TAC=f(P)。
本实施例中,所述目标函数可通过以下方程组计算:
物料守恒方程:
F0=Fl+Fg
F0x0,m=Flxl,m+Fgyg,m
式中,Fs表示对应原料编号下的原料流量,xs,m表示原料编号s下的组分m的液相组成(s=1,2,3;m=i,j),F0表示混合后的总流量;x0,m表示混合后的原料组成,Fl表示液相产物流量,Fg表示气相产物流量。
相平衡方程:
yg,m=Kmxl,m
Gij=exp(-αijτij)
Gji=exp(-αijτji)
αij=cij+dijt
产物需求约束:
Fs≤Fs,max
yg,i≥yg,pr,i
Fg≥Fg,pr
式中,Fs,max为Fs上限,yg,pr,i为气相产物中i物质的浓度需求值,Fg,pr为气相产物流量需求值。
本实施例中,所述生产操作成本TAC是操作温度t、操作压力p及原料流量Fs的函数:
TAC=f(t,p,FS)
第八步,将物性参数值X与优化物性参数X′比较,如果改进值小于ε,则输出优化操作参数及优化物性参数值,如果改进值大于ε,则返回第四步,重复执行第四到第八步,直至改进值小于ε,所述改进值计算方法为:(X-X′)2。
本实施例中ε值取0.0001,最终优化后的操作参数可见图2,与优化前相比,可降低3.1%生产运营成本,使用优化后的物性参数,产物预测值与产物检测值的误差小于1.0%,产物预测每分钟可计算60次频率远高于15分钟/次的产物检测速度。
应当注意的是,以上所述的实施例仅用于解释本发明,并不构成对本发明的任何限制。通过参照典型实施例对本发明进行了描述,但应当理解为其中所用的词语为描述性和解释性词汇,而不是限定性词汇。可以按规定在本发明权利要求的范围内对本发明作出修改,以及在不背离本发明的范围和精神内对本发明进行修订。尽管其中描述的本发明涉及特定的方法、材料和实施例,但是并不意味着本发明限于其中公开的特定例,相反,本发明可扩展至其他所有具有相同功能的方法和应用。
Claims (6)
1.一种蒸馏装置产物预测及蒸馏操作参数优化的方法,其特征在于,包括以下步骤:
第一步,收集原料信息及产物需求,所述原料信息选自原料类型、原料温度、原料压力、原料组成、原料相态、可供给的原料最大流量值及最小流量值的一种或几种,所述产物需求包括产物温度、产物压力、产物流量、产物组成、产物相态信息的一种或几种;
第二步,根据原料类型,构建蒸馏机理模型;
第三步,预设物性参数X0,预设操作参数P0;所述操作参数包括操作温度、操作压力、原料的流量值的一种或几种;
第四步,更新或初始化操作参数P和物性参数X;更新时,固定操作参数P=P',固定物性参数X=X',首次计算时,固定操作参数P=P0,固定物性参数X=X0;
第五步,根据操作参数P稳态操作蒸馏装置,获取产物检测值M,根据所述的蒸馏机理模型及物性参数X,获取产物预测计算值S;所述产物检测值包括产物温度、产物压力、产物流量、产物组成中的一种或几种,所述产物预测计算值包括产物温度、产物压力、产物流量、产物组成中的一种或几种;
第六步,根据所述的蒸馏机理模型,以产物检测值与产物预测计算值偏差最小为第一目标函数,优化物性参数,输出优化后的物性参数X';
第七步,根据所述的蒸馏机理模型,输入优化物性参数X',并以产物需求为约束,以最小生产操作成本为第二目标函数,优化操作参数,输出优化后的操作参数P';
第八步,将物性参数值X与优化物性参数X'比较,如果改进值小于等于ε,则输出优化后的操作参数值及优化后的物性参数值,如果改进值大于ε,则返回第四步,重复执行第四到第八步,直至改进值小于ε。
3.根据权利要求1所述的蒸馏装置产物预测及蒸馏操作参数优化的方法,其特征在于,第七步中所述的第二目标函数为操作参数P的函数,即TAC=f(P)。
4.根据权利要求1所述的蒸馏装置产物预测及蒸馏操作参数优化的方法,其特征在于,第八步所述的改进值为(X-X′)2。
6.根据权利要求1所述的蒸馏装置产物预测及蒸馏操作参数优化的方法,其特征在于,所述的物性参数选自Antoine方程参数、二元交互参数、基团贡献参数的一种或几种。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110704873.0A CN113433906B (zh) | 2021-06-24 | 2021-06-24 | 一种蒸馏装置产物预测及蒸馏操作参数优化的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110704873.0A CN113433906B (zh) | 2021-06-24 | 2021-06-24 | 一种蒸馏装置产物预测及蒸馏操作参数优化的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113433906A true CN113433906A (zh) | 2021-09-24 |
CN113433906B CN113433906B (zh) | 2022-06-10 |
Family
ID=77754036
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110704873.0A Active CN113433906B (zh) | 2021-06-24 | 2021-06-24 | 一种蒸馏装置产物预测及蒸馏操作参数优化的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113433906B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114970375A (zh) * | 2022-07-29 | 2022-08-30 | 山东飞扬化工有限公司 | 一种基于实时采样数据的精馏过程监测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080243310A1 (en) * | 2007-03-28 | 2008-10-02 | Esposito William R | Production control utilizing real time optimization |
CN102626557A (zh) * | 2012-04-13 | 2012-08-08 | 长春工业大学 | 基于ga-bp算法的分子蒸馏工艺参数优化方法 |
CN112597430A (zh) * | 2020-12-22 | 2021-04-02 | 浙江中控技术股份有限公司 | 一种用于复杂精馏塔的操作参数优化方法 |
-
2021
- 2021-06-24 CN CN202110704873.0A patent/CN113433906B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080243310A1 (en) * | 2007-03-28 | 2008-10-02 | Esposito William R | Production control utilizing real time optimization |
CN102626557A (zh) * | 2012-04-13 | 2012-08-08 | 长春工业大学 | 基于ga-bp算法的分子蒸馏工艺参数优化方法 |
CN112597430A (zh) * | 2020-12-22 | 2021-04-02 | 浙江中控技术股份有限公司 | 一种用于复杂精馏塔的操作参数优化方法 |
Non-Patent Citations (2)
Title |
---|
FENGQIN CHEN ET.: "Operation parameters optimization of butadiene extraction distillation based on neural network", 《2011 6TH IEEE INTERNATIONAL CONFERENCE ON NANO/MICRO ENGINEERED AND MOLECULAR SYSTEMS》 * |
黄文: "原油蒸馏系统的建模仿真与操作优化研究", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114970375A (zh) * | 2022-07-29 | 2022-08-30 | 山东飞扬化工有限公司 | 一种基于实时采样数据的精馏过程监测方法 |
CN114970375B (zh) * | 2022-07-29 | 2022-11-04 | 山东飞扬化工有限公司 | 一种基于实时采样数据的精馏过程监测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113433906B (zh) | 2022-06-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gopalakrishnan et al. | Incorporating delayed and infrequent measurements in Extended Kalman Filter based nonlinear state estimation | |
Wendt et al. | Nonlinear chance-constrained process optimization under uncertainty | |
CN113433906B (zh) | 一种蒸馏装置产物预测及蒸馏操作参数优化的方法 | |
CN1170463A (zh) | 控制停滞时间显著过程等过程的可变前景预测器 | |
Recker et al. | A unifying framework for optimization-based design of integrated reaction–separation processes | |
JPWO2016079972A1 (ja) | 要因分析装置、要因分析方法とプログラム、及び、要因分析システム | |
Jäschke et al. | Optimal controlled variables for polynomial systems | |
Severson et al. | Elastic net with Monte Carlo sampling for data-based modeling in biopharmaceutical manufacturing facilities | |
CN107516148B (zh) | 系统建模优化方法及存储介质 | |
EP4202582A1 (en) | Method of operation of a process plant, soft sensor and digital process twin system and use thereof | |
Smith et al. | Mean and variance modeling of under-and overdispersed count data | |
Kumar et al. | Applications of Polynomial Chaos Expansions in optimization and control of bioreactors based on dynamic metabolic flux balance models | |
Duran-Villalobos et al. | Multivariate statistical process control of an industrial-scale fed-batch simulator | |
WO2019094156A1 (en) | Interface between processing environment optimization layers | |
Li et al. | Integration of simulated annealing to a simulation tool for dynamic optimization of chemical processes | |
Tran et al. | On the estimation of high-dimensional surrogate models of steady-state of plant-wide processes characteristics | |
CN104503382A (zh) | 一种制药化工生产中原料结晶过程的优化调度方法 | |
Masampally et al. | Cascade gaussian process regression framework for biomass prediction in a fed-batch reactor | |
Carranza-Abaid et al. | Neural network programming: Integrating first principles into machine learning models | |
Xie et al. | Stochastic back-off-based robust process design for continuous crystallization of ibuprofen | |
Zheng et al. | Green simulation assisted reinforcement learning with model risk for biomanufacturing learning and control | |
Jia et al. | Hierarchical batch-to-batch optimization of cobalt oxalate synthesis process based on data-driven model | |
Brand-Rihm et al. | Sampling space reduction for data-driven modelling of batch distillation-introducing expert process knowledge through operation recipes | |
Pursche et al. | Approximation of the robust domain of attraction for uncertain polynomial systems | |
Spann et al. | Modeling for process risk assessment in industrial bioprocesses |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |